नफा:
- संपूर्ण स्लाइड इमेज (WSI) वर्कफ्लोमध्ये सेल मोजणी, विभाजन आणि ग्रेडिंगसाठी AI चे समर्थन स्पष्ट करण्याची क्षमता
- मॉडेल कार्यप्रदर्शन आणि डोमेन शिफ्टवर पेंटिंग आणि स्कॅनिंग परिवर्तनशीलतेचा प्रभाव ओळखण्याची क्षमता
- संदर्भ मानक, सॅम्पलिंग आणि पॅथॉलॉजिस्टच्या मान्यतेसह पॅथॉलॉजी एआय आउटपुट प्रमाणित करण्याची क्षमता
पॅथॉलॉजी ही औषधाची शाखा आहे ज्यामध्ये सूक्ष्मदर्शकाखाली ऊतकांच्या नमुन्याचे परीक्षण करून रोग ओळखला जातो; कर्करोगाच्या अनेक निदानांचे "गोल्ड स्टँडर्ड" येथे केले जाते. डिजिटल पॅथॉलॉजी म्हणजे उच्च-रिझोल्यूशन स्कॅनरसह काचेच्या स्लाइडवर स्टेन्ड टिश्यू विभागाचे डिजिटायझेशन. परिणामी फाइलला संपूर्ण स्लाइड प्रतिमा (थोडक्यासाठी WSI) म्हणतात; एकच स्लाइड गिगापिक्सेल आकाराची, म्हणजे अब्जावधी पिक्सेलची एक विशाल प्रतिमा असू शकते. आर्टिफिशियल इंटेलिजन्स या विशाल प्रतिमांमध्ये सेल मोजणी, प्रदेश विभाजन आणि ग्रेडिंगला समर्थन देते. या युनिटमध्ये आपण WSI वर्कफ्लो पाहणार आहोत, त्याची सर्वात मोठी तांत्रिक अडचण: स्टेनिंग/स्कॅनिंग व्हेरिएबिलिटी आणि पॅथॉलॉजिस्टची मान्यता का आवश्यक आहे.
चला सुरुवातीपासून सांगूया: कृत्रिम बुद्धिमत्ता एक काउंटर, एक प्राथमिक स्कॅनर आणि पॅथॉलॉजीमध्ये दुसरा डोळा असू शकते; परंतु कर्करोगाचे निदान, स्टेजिंग आणि ग्रेडिंगचे निर्णय पॅथॉलॉजिस्टचे असतात. मॉडेल निदान करत नाही.
WSI वर्कफ्लोचे टप्पे
पायरी 1 - स्क्रीनिंग आणि गुणवत्ता नियंत्रण. काचेची स्लाइड स्कॅन केली आहे; डिफोकस, फोल्ड मार्क्स आणि एअर बबल यांसारखे दोष आपोआप ओळखले जाऊ शकतात. खराब दर्जाचे स्कॅन मॉडेलमध्ये अजिबात प्रवेश करू नये.
पायरी 2 - टाइल (पॅच) काढणे. Gigapixel प्रतिमा थेट प्रक्रिया केली जाऊ शकत नाही; लहान चौरसांमध्ये विभागलेले आहे (इंग्रजी पॅच, सामान्यतः 256x256 किंवा 512x512 पिक्सेल). मॉडेल प्रत्येक टाइलचे स्वतंत्रपणे मूल्यांकन करते, त्यानंतर परिणाम एकत्र केले जातात.
पायरी 3 - ऊतक/पेशी विश्लेषण. मॉडेल; हे ट्यूमर साइटचे विभाजन, मायटोसिस (सेल विभाजित करणे) मोजणी, आण्विक घनता किंवा मार्करची गणना (उदा. Ki-67 स्टेनिंग रेट) यासारखी कार्ये करते. आउटपुट एक संख्यात्मक मापन किंवा उष्णता नकाशा आहे.
चरण 4 - एकत्रीकरण आणि अहवाल. टाइलचे परिणाम स्लाइड स्तरावर एकत्र केले जातात; एक सारांश तयार केला जातो, उदाहरणार्थ, "ट्यूमर क्षेत्राची टक्केवारी" किंवा "माइटोटिक संख्या".
पायरी 5 - पॅथॉलॉजिस्टचे मूल्यांकन. पॅथॉलॉजिस्ट मॉडेलद्वारे चिन्हांकित प्रदेश आणि संख्या तपासतो; स्वीकारते, दुरुस्त करते किंवा नाकारते. निदान आणि प्रतवारी पॅथॉलॉजिस्टवर अवलंबून असते.
सर्वात मोठा त्रास: डाईंग आणि स्कॅनिंग व्हेरिएबिलिटी
ऊतींचे विभाग सामान्यतः H&E (हेमॅटॉक्सिलिन आणि इओसिन; न्युक्लीय ब्लू-व्हायलेट आणि सायटोप्लाझम गुलाबी रंगावर डाग करणारे मानक रंग) ने डागलेले असतात. परंतु प्रयोगशाळा, डागांची बॅच, विभागाची जाडी आणि स्कॅनर ब्रँडनुसार डाग पडण्याची तीव्रता स्पष्टपणे बदलते. मानवी डोळा सहजपणे या फरकांशी जुळवून घेतो; मॉडेल सुसंगत असू शकत नाही.
जर एखादे मॉडेल लॅब A च्या गुलाबी-जांभळ्या टोनवर आधारित शिकले असेल, तर त्याची कार्यक्षमता लॅब B च्या फिकट किंवा गडद डागांवर कमी होईल. या घटनेला डोमेन शिफ्ट म्हणतात आणि डिजिटल पॅथॉलॉजीमध्ये अपयशाचे हे सर्वात सामान्य कारण आहे. उपाय पद्धती: रंग सामान्यीकरण (प्रतिमा सामान्य रंगाच्या जागेत हलवणे), मल्टीसेंटर प्रशिक्षण डेटा आणि — सर्वात महत्त्वाचे म्हणजे — वापरल्या जाणाऱ्या प्रत्येक प्रयोगशाळेत बाह्य प्रमाणीकरण.
तीन मिनी प्रकरणे: संख्यांनुसार
केस 1 - माइटोटिक संख्येत सुसंगतता. स्तनाच्या कर्करोगाच्या प्रतवारीमध्ये माइटोटिक मोजणी महत्त्वपूर्ण आहे परंतु पर्यवेक्षकापासून निरीक्षकापर्यंत बदलते. एका प्रयोगशाळेत AI-सहाय्यित प्राथमिक मोजणी, दोन पॅथॉलॉजिस्टमधील करार (कप्पा) 0.55 वरून 0.71 पर्यंत वाढला आणि प्रति स्लाइड मोजणीची वेळ 4 मिनिटांवरून 1.5 मिनिटांपर्यंत कमी झाली. तथापि, प्रत्येक अंतिम मोजणीची पॅथॉलॉजिस्टने पुष्टी केली; मॉडेल सुचवले, पॅथॉलॉजिस्टने ठरवले.
केस 2 - फील्ड शिफ्ट हिट. ट्यूमर सेगमेंटेशन मॉडेल विकसित केलेल्या प्रयोगशाळेत, ते 93% वेळेस योग्यरित्या कार्य करत होते. त्याच मॉडेलने वेगळ्या स्कॅनर आणि डाईचा वापर करून भागीदार प्रयोगशाळेत ट्यूमरचे क्षेत्रफळ 20% ने पद्धतशीरपणे वाढवले. त्या प्रयोगशाळेतील 200 स्लाइड्ससह रंग सामान्यीकरण आणि पुनर्प्रमाणीकरण केल्यानंतर, फरक स्वीकार्य पातळीवर कमी झाला.
केस 3 - सॅम्पलिंग फसवणूक. एका मॉडेलने स्लाइडवर "नाही" ट्यूमर म्हटले; तथापि, मॉडेलने फक्त स्कॅन केलेल्या क्षेत्राचे मूल्यांकन केले आणि ट्यूमर नमुना नसलेल्या विभागात होता. पॅथॉलॉजीचे निदान स्लाइड निवड आणि सॅम्पलिंग प्रमाणेच चांगले आहे; एआय "नकारात्मक" आउटपुट अंडरसॅम्पलिंगसाठी भरपाई देत नाही. म्हणूनच नकारात्मक AI परिणामाचा अर्थ "रोग नाही" असा होत नाही.
कमकुवत प्रॉम्प्ट / मजबूत प्रॉम्प्ट
टीप: खालील सूचना पॅथॉलॉजी अहवाल आणि वर्कफ्लो मजकूर कॉन्फिगर करण्यासाठी आहेत; टिश्यू इमेज डायग्नोसिस हे सत्यापित सॉफ्टवेअर आणि पॅथॉलॉजिस्टचे काम आहे.
कमकुवत प्रॉम्प्ट:
या पॅथॉलॉजीच्या अहवालानुसार कर्करोग आहे का? [अहवाल]
शक्तिशाली सूचना:
तुमची भूमिका: तुम्ही पॅथॉलॉजी रिपोर्ट स्ट्रक्चरिंग असिस्टंट आहात (तुम्ही निदान नाही). खालील निनावी पॅथॉलॉजी अहवालाची रचना करा:- नमुना प्रकार, डाग, ट्यूमरचा प्रकार/ग्रेड, सर्जिकल मार्जिन, मार्कर.- अस्पष्ट शब्दरचना ठेवा ("अटिपिकल, क्लिनिकल सहसंबंध शिफारस केलेले") अबाधित ठेवा.- मजकुरात नसलेले कोणतेही निष्कर्ष जोडा; गहाळ फील्डमध्ये "अनिर्दिष्ट" लिहा.- शेवटी, पॅथॉलॉजिस्टने पुष्टी करावी असे ३ मुद्दे सूचीबद्ध करा. निनावी अहवाल:[मजकूर]
चार कॉपी करण्यायोग्य टेम्पलेट्स
1) अहवाल मानकीकरण:
खालील निनावी पॅथॉलॉजी अहवाल संरचित फील्डमध्ये प्लॉट करा (अवयव, निदान, ग्रेड, मार्जिन, मार्कर टक्केवारी). मजकुराला चिकटून रहा. अहवाल: [मजकूर]
२) टोकन सातत्य तपासणी:
या अहवालात नमूद केलेल्या सर्व टक्केवारी आणि संख्यात्मक मार्कर (Ki-67, ER, PR, HER2) सूचीबद्ध करा; एकमेकांशी किंवा निदानाशी संघर्ष करणारी मूल्ये चिन्हांकित करा. अहवाल: [मजकूर]
3) मॉडेल प्रमाणीकरण योजना (डिजिटल पॅथॉलॉजी):
WSI सेगमेंटेशन मॉडेलसाठी मसुदा प्रमाणीकरण योजना लिहा: रंग सामान्यीकरण, मल्टीसेंटर बाह्य प्रमाणीकरण, पॅथॉलॉजिस्ट करार (कप्पा), फील्ड शिफ्ट चाचणी. पॅथॉलॉजिस्ट प्रमाणीकरण बिंदू स्वतंत्रपणे चिन्हांकित करा.
4) सॅम्पलिंग चेतावणी जोडणे:
खालील नकारात्मक AI परिणामांमध्ये चेतावणी जोडा "नमुने घेणे मर्यादित असू शकते, नकारात्मक परिणाम रोग वगळत नाही" आणि पॅथॉलॉजिस्ट पुष्टीकरणाची आवश्यकता. आउटपुट: [मजकूर]
मॉडेलची भूमिका: कार्य प्रकारानुसार
कार्य प्रकार
AI योगदान
गंभीरता
पडताळणी
ट्यूमर क्षेत्राचे विभाजन
उच्च
उच्च
पॅथॉलॉजिस्ट + बाह्य सत्यापन
माइटोसिस/पेशींची संख्या
उच्च
उच्च
पॅथॉलॉजिस्ट पुष्टीकरण
मार्करची टक्केवारी (Ki-67)
उच्च
मध्यम
संदर्भ तुलना
गुणवत्ता नियंत्रण (फोकस/दोष)
उच्च
कमी
स्पॉट चेक
अहवाल कॉन्फिगरेशन (मजकूर)
उच्च
कमी
पॅथॉलॉजिस्ट पुष्टीकरण
टीप: डिजिटल पॅथॉलॉजीमध्ये मॉडेलच्या प्रस्तावाचे मूल्यमापन करताना, नेहमी विचारा: "कोणत्या प्रयोगशाळांचे डाग आणि स्कॅनर हे मॉडेल प्रशिक्षित केले गेले आहे आणि ते माझ्या प्रयोगशाळेत प्रमाणित केले गेले आहे का?" उत्तर "नाही" असल्यास, कामगिरीचे आकडे अद्याप तुम्हाला लागू होत नाहीत.
खबरदारी: एआयने "ट्यूमर नाही" म्हटल्याने याचा अर्थ असा नाही की नमुना नसलेल्या ऊतींमध्ये गाठ नाही. पॅथॉलॉजीमध्ये नकारात्मक परिणाम सॅम्पलिंगच्या गुणवत्तेद्वारे मर्यादित आहे; नमुना ही मर्यादा ओलांडू शकत नाही आणि नकारात्मक परिणाम म्हणजे निदान आश्वासन नाही.
सामान्य चुका
- रंग/रंग परिवर्तनशीलता कमी लेखणे. फील्ड ड्रिफ्ट हे डिजिटल पॅथॉलॉजीमध्ये अपयशाचे सर्वात सामान्य कारण आहे.
- एका केंद्रात ट्रेन करा आणि सर्वत्र वापरा. भिन्न ब्राउझर आणि रंग मूक कार्यप्रदर्शन ऱ्हास निर्माण करतात.
- आश्वासनासाठी नकारात्मक परिणाम चुकणे. नमुना मर्यादा मॉडेलद्वारे भरपाई केली जाऊ शकत नाही.
- इंटरऑब्झर्व्हर परिवर्तनशीलतेकडे दुर्लक्ष करणे. संदर्भ मानक स्वतः परिवर्तनीय असल्यास मॉडेलचे त्यानुसार मूल्यमापन केले पाहिजे.
- पॅथॉलॉजिस्ट काढून टाकणे. मोजणी आणि विभाजन हे समर्थन आहे; पॅथॉलॉजिस्टसह निदान आणि ग्रेडिंग विश्रांती.
सारांशात
- डिजिटल पॅथॉलॉजी गीगापिक्सेल डब्ल्यूएसआय प्रतिमांना टाइलमध्ये विभाजित करून त्यांचे विश्लेषण करते; AI सेल मोजणी आणि विभाजनास समर्थन देते.
- स्टेनिंग/स्कॅनिंग व्हेरिएबिलिटीमुळे फील्ड ड्रिफ्ट हा सर्वात मोठा तांत्रिक सापळा आहे; रंग सामान्यीकरण आणि बाह्य प्रमाणीकरण आवश्यक आहे.
- नकारात्मक AI परिणाम सॅम्पलिंग मर्यादेद्वारे मर्यादित आहे आणि निदान आश्वासन प्रदान करत नाही.
- संदर्भ मानक आणि आंतरनिरीक्षक परिवर्तनशीलता हे मॉडेल मूल्यांकनासाठी संदर्भ आहेत.
- निदान, स्टेजिंग आणि ग्रेडिंग ही पॅथॉलॉजिस्टची जबाबदारी आहे; AI निदान करत नाही.
अर्ज कार्य
काल्पनिक डिजिटल पॅथॉलॉजी मॉडेल निवडा (उदा. Ki-67 टक्केवारी गणना). या मॉडेलसाठी बाह्य प्रमाणीकरण योजना लिहा: कोणत्या लॅबमधून किती स्लाइड्स, कोणत्या रंगाचे सामान्यीकरण, तुम्ही पॅथॉलॉजिस्ट करार कसे मोजाल आणि तुम्ही फील्ड ड्रिफ्टची चाचणी कशी कराल. नंतर मॉडेलच्या नकारात्मक/पॉझिटिव्ह आउटपुटमध्ये जोडली जाणारी प्रतिबंधात्मक चेतावणी एका वाक्यात लिहा.
चेकलिस्ट
- मला WSI वर्कफ्लोचे स्कॅनिंग, टाइलिंग, विश्लेषण आणि संमिश्र चरण माहित आहेत.
- पेंट/स्कॅन व्हेरिएबिलिटीमुळे फील्ड ड्रिफ्ट कसे होते आणि ते कसे व्यवस्थापित केले जाते हे मला समजते.
- [ ] मला समजते की नकारात्मक AI परिणाम सॅम्पलिंग मर्यादेद्वारे मर्यादित आहे.
- मी बाह्य प्रमाणीकरण आणि पॅथॉलॉजिस्ट करार (कप्पा) च्या संकल्पना वापरू शकतो.
- [ ] निदान आणि प्रतवारीचा निर्णय पॅथॉलॉजिस्टकडेच राहतो हे मी अंतर्भूत केले आहे.